浮点数计算器
将十进制数转换为 IEEE 754 二进制表示并分析精度。
输入任意十进制数并选择精度格式，即可查看其 IEEE 754 二进制表示、指数、尾数和舍入误差。
浮点数计算器
将十进制数转换为 IEEE 754 二进制表示并分析精度。
示例
点击下方任意按钮即可加载一个著名的数值常量。
| 十进制输入 | 精度与说明 | 意义 |
|---|---|---|
| 3.141592653589793（双精度） | 符号: 0 · 指数: 1 · 精确位数: ~15 | π——无理数，存储时带有极小舍入误差 |
| 0.1（单精度） | 符号: 0 · 存储值: 0.100000001490116 · 误差: ~1.49e-9 | 经典的舍入误差示例 |
| 2.718281828459045（双精度） | 符号: 0 · 指数: 1 · 精确位数: ~15 | 欧拉常数 e |
| 1.23e-10（单精度） | 符号: 0 · 规格化 · 很小的正数 | 测试单精度下的小数精度 |
关于浮点数计算器
浮点数计算器可以将十进制数转换为 IEEE 754 二进制浮点表示，并显示完整的位级拆分，包括符号位、指数和尾数。理解浮点表示法是计算机科学家、软件工程师、数值分析人员，以及所有需要在精度敏感场景下使用计算机的人必须掌握的基础知识。
IEEE 754 标准由美国电气与电子工程师协会于 1985 年发布，并在 2008 年修订，定义了几乎所有现代处理器和编程语言（包括 C、C++、Java、Python 和 JavaScript）所使用的浮点运算格式。该标准主要规定两种格式：单精度（32 位）和双精度（64 位）。
32 位单精度浮点数由三个字段组成：1 个符号位、8 个指数位和 23 个尾数（有效数）位。符号位为 0 表示正数，1 表示负数。指数以偏置 127 存储，这意味着实际指数等于存储值减去 127，因此可以用无符号整数同时表示正负指数。尾数保存规格化有效数的小数位，并带有一个隐含的前导 1（隐藏位），从而提供额外 1 位有效精度。
64 位双精度浮点数使用 1 个符号位、11 个指数位（偏置 1023）和 52 个尾数位，所能提供的十进制有效数字大约为 15–17 位，而单精度只有 6–7 位。双精度是大多数编程语言中的默认浮点类型。
一个关键事实是，许多看似简单的十进制数（例如 0.1）无法在二进制浮点中被精确表示。十进制 0.1 的二进制形式是无限循环小数 0.0001100110011...，而浮点数只有固定数量的位数，因此必须截断以适配 23 位或 52 位尾数。这种截断会引入极小的舍入误差，也正是为什么在大多数编程语言中，0.1 + 0.2 并不等于精确的 0.3。这个计算器会显示你输入的任意十进制数的精确存储值和舍入误差，因此它既是调试工具，也是学习数值计算的绝佳助手。
如何使用此计算器
- 选择精度格式——单精度（32 位）适合嵌入式或 GPU 场景，双精度（64 位）适合科学计算。
- 在输入框中输入任意十进制数，也支持科学计数法（例如 1.23e-10 或 6.022e23）。
- 点击“转换”即可查看完整的 IEEE 754 分解：符号位、指数位（含偏置值与实际值）以及尾数位。
- 查看存储值——也就是计算机实际使用的精确十进制数——并将其与你的输入比较，观察是否存在舍入误差。
- 使用示例按钮，查看 π、e 或 0.1 等著名常量在二进制浮点中的表示方式。
常见问题
为什么 0.1 不能在浮点数中被精确表示？
十进制 0.1 在二进制中是无限循环小数（0.000110011001100...），就像 1/3 在十进制中是循环小数一样。由于浮点数的位数固定，这个小数必须被截断，从而引入极小的舍入误差。这也是为什么在大多数语言中，0.1 + 0.2 的结果约等于 0.30000000000000004，而不是精确的 0.3。
指数域中的偏置值是什么？
偏置值是在存储之前加到实际指数上的一个固定偏移量。单精度使用 127，双精度使用 1023。如果实际指数是 3，那么单精度的存储值就是 3 + 127 = 130。借助这种带偏置的表示法，可以在仅使用无符号整数存储的情况下表示从 −126 到 +127（单精度）或从 −1022 到 +1023（双精度）的指数。
什么是隐藏位？
对于规格化浮点数，尾数的最高位始终是 1，但不会被存储——它是隐含的。这个“隐藏位”或“隐式位”实际上让单精度拥有 24 位尾数精度（23 位存储 + 1 位隐藏位），让双精度拥有 53 位（52 位存储 + 1 位隐藏位）。接近 0 的非规格化数则隐含前导 0。
IEEE 754 的特殊值有哪些？
IEEE 754 定义了几种特殊值：正零和负零（通过符号位区分）、正无穷和负无穷（所有指数位都为 1，所有尾数位都为 0），以及 NaN——不是一个数（所有指数位都为 1，且至少有一个尾数位为 1）。这些值可以优雅地处理溢出、除以零和未定义运算，而不会让程序崩溃。
什么时候该使用单精度或双精度？
在科学计算、财务计算，以及任何需要超过 7 位十进制精度的应用中，请使用双精度（64 位）。当内存或性能受限时，可以使用单精度（32 位）——GPU 处理单精度浮点数通常更快，移动端和嵌入式系统也常因效率而偏好 32 位。单精度中的舍入误差在迭代算法里可能会显著累积。
如何在代码中避免浮点精度错误？
在做相等比较时，请使用容差（epsilon），而不是直接判断完全相等：用 |a − b| < 1e-9 代替 a === b。对于财务计算，可以考虑使用整数运算（例如用分为单位存储金额）或专门的十进制库。对于科学计算，可使用 Kahan 求和等补偿求和算法来减少大规模累加中的舍入误差。